【数值分析】最佳平方逼近,最佳逼近

news2024/9/20 20:38:34

最佳平方逼近

∑ k = 0 n W k ( f ( x k ) − ϕ ( x k ) ) 2 = min ⁡ \sum_{k=0}^{ n}W_k (f(x_k)-\phi (x_k))^2=\min k=0nWk(f(xk)ϕ(xk))2=min
→ 节点非常多时 ∫ a b ρ ( x ) ( f ( x ) − ϕ ( x ) ) 2 d x = min ⁡ \xrightarrow[]{\text{节点非常多时}} \int_a^b \rho(x)(f(x)-\phi(x))^2 \mathrm dx=\min 节点非常多时 abρ(x)(f(x)ϕ(x))2dx=min
ϕ ( x ) 为拟合函数    ,    ρ ( x ) 为权函数    ,    都已知 \phi(x)\text{为拟合函数} \,\,,\,\, \rho(x) \text{为权函数} \,\,,\,\,都已知 ϕ(x)为拟合函数,ρ(x)为权函数,都已知
解正规方程组:
[ ( ϕ 0 , ϕ 0 ) ⋯ ( ϕ 0 , ϕ m ) ⋮ ⋱ ⋮ ( ϕ m , ϕ 0 ) ⋯ ( ϕ m , ϕ m ) ] [ a 0 ⋮ a m ] = [ ( ϕ 0 , f ) ⋮ ( ϕ m , f ) ] \begin{bmatrix} (\phi_0,\phi_0) & \cdots & (\phi_0,\phi_m) \\ \vdots & \ddots & \vdots \\ (\phi_m,\phi_0) & \cdots & (\phi_m,\phi_m) \end{bmatrix}\begin{bmatrix} a_0\\\vdots\\a_m \end{bmatrix} = \begin{bmatrix} (\phi_0,f)\\ \vdots \\ (\phi_m,f) \end{bmatrix} (ϕ0,ϕ0)(ϕm,ϕ0)(ϕ0,ϕm)(ϕm,ϕm) a0am = (ϕ0,f)(ϕm,f)
其中
( h , g ) = ∫ a b ρ ( x ) h ( x ) g ( x ) d x (h,g)=\int_{a}^b \rho(x)h(x)g(x) \mathrm dx (h,g)=abρ(x)h(x)g(x)dx
解出的 ϕ ( x ) \phi(x) ϕ(x) f ( x ) f(x) f(x) 的最佳平方逼近函数。

[!example]-
f ( x ) = x 4 f(x)=x^4 f(x)=x4 [ − 1 , 1 ] {[-1,1]} [1,1] 上关于权函数 ρ ( x ) = 1 {\rho(x)=1} ρ(x)=1 的二次最佳平方逼近多项式。
解:设 ϕ ( x ) = a + b x + c x 2 {\phi(x)=a+bx+cx^2} ϕ(x)=a+bx+cx2 ,则基函数
ϕ 0 ( x ) = 1    ,    ϕ 1 ( x ) = x    ,    ϕ 2 ( x ) = x 2 \phi_0(x)=1 \,\,,\,\, \phi_1(x)=x \,\,,\,\, \phi_2(x)=x^2 ϕ0(x)=1,ϕ1(x)=x,ϕ2(x)=x2
内积空间:
M = span { 1 , x , x 2 } M= \text{span}\lbrace 1,x,x^2\rbrace M=span{1,x,x2}
对应的法方程组:
[ ( ϕ 0 , ϕ 0 ) ( ϕ 0 , ϕ 1 ) ( ϕ 0 , ϕ 2 ) ( ϕ 1 , ϕ 0 ) ( ϕ 1 , ϕ 1 ) ( ϕ 1 , ϕ 2 ) ( ϕ 2 , ϕ 0 ) ( ϕ 2 , ϕ 1 ) ( ϕ 2 , ϕ 2 ) ] [ a b c ] = [ ( ϕ 0 , f ) ( ϕ 1 , f ) ( ϕ 2 , f ) ] \begin{bmatrix} (\phi_0,\phi_0) & (\phi_0,\phi_1) & (\phi_0,\phi_2)\\ (\phi_1,\phi_0) & (\phi_1,\phi_1) & (\phi_1,\phi_2)\\ (\phi_2,\phi_0) & (\phi_2,\phi_1) & (\phi_2,\phi_2) \end{bmatrix} \begin{bmatrix} a\\b\\c \end{bmatrix}= \begin{bmatrix} (\phi_0,f)\\(\phi_1,f)\\(\phi_2,f) \end{bmatrix} (ϕ0,ϕ0)(ϕ1,ϕ0)(ϕ2,ϕ0)(ϕ0,ϕ1)(ϕ1,ϕ1)(ϕ2,ϕ1)(ϕ0,ϕ2)(ϕ1,ϕ2)(ϕ2,ϕ2) abc = (ϕ0,f)(ϕ1,f)(ϕ2,f)
用内积公式:
( h , g ) = ∫ − 1 1 h ( x ) g ( x ) d x (h,g)=\int_{-1}^{1}h(x)g(x) \mathrm dx (h,g)=11h(x)g(x)dx
有:
( ϕ 0 , ϕ 0 ) = ∫ − 1 1 d x = 2 ( ϕ 0 , ϕ 1 ) = ( ϕ 1 , ϕ 0 ) = ∫ − 1 1 x d x = 0 ( ϕ 1 , ϕ 2 ) = ( ϕ 2 , ϕ 1 ) = ∫ − 1 1 x 3 d x = 0 ( ϕ 1 , ϕ 1 ) = ( ϕ 0 , ϕ 2 ) = ( ϕ 2 , ϕ 0 ) = ∫ − 1 1 x 2 d x = 2 3 ( ϕ 2 , ϕ 2 ) = ∫ − 1 1 x 4 d x = 2 5 ( ϕ 0 , f ) = ∫ − 1 1 x 4 d x = 2 5 ( ϕ 1 , f ) = ∫ − 1 1 x 5 d x = 0 ( ϕ 2 , f ) = ∫ − 1 1 x 6 d x = 2 7 \begin{align*} (\phi_0,\phi_0)=&\int_{-1}^1 \mathrm dx=2\\ (\phi_0,\phi_1)=(\phi_1,\phi_0)=&\int_{-1}^1x \mathrm dx=0\\ (\phi_1,\phi_2)=(\phi_2,\phi_1)=&\int_{-1}^1 x^3 \mathrm dx=0\\ (\phi_1,\phi_1)=(\phi_0,\phi_2)=(\phi_2,\phi_0)=&\int_{-1}^1x^2 \mathrm dx= \frac{2}{3}\\ (\phi_2,\phi_2)=&\int_{-1}^1x^4 \mathrm dx= \frac{2}{5}\\ (\phi_0,f)=&\int_{-1}^1 x^4 \mathrm dx= \frac{2}{5}\\ (\phi_1,f)=&\int_{-1}^1 x^5 \mathrm dx=0\\ (\phi_2,f)=&\int_{-1}^1 x^6 \mathrm dx= \frac{2}{7} \end{align*} (ϕ0,ϕ0)=(ϕ0,ϕ1)=(ϕ1,ϕ0)=(ϕ1,ϕ2)=(ϕ2,ϕ1)=(ϕ1,ϕ1)=(ϕ0,ϕ2)=(ϕ2,ϕ0)=(ϕ2,ϕ2)=(ϕ0,f)=(ϕ1,f)=(ϕ2,f)=11dx=211xdx=011x3dx=011x2dx=3211x4dx=5211x4dx=5211x5dx=011x6dx=72
所以法方程组为:
[ 2 0 2 / 3 0 2 / 3 0 2 / 3 0 2 / 5 ] [ a b c ] = [ 2 / 5 0 2 / 7 ] \begin{bmatrix} 2 & 0 & 2/3 \\ 0 & 2/3 & 0 \\ 2/3 & 0 & 2/5 \end{bmatrix} \begin{bmatrix} a\\b\\c \end{bmatrix}= \begin{bmatrix} 2/5\\0\\2/7 \end{bmatrix} 202/302/302/302/5 abc = 2/502/7
解得:
a = − 3 35    ,    b = 0    ,    c = 6 7 a=- \frac{3}{35} \,\,,\,\, b=0 \,\,,\,\, c= \frac{6}{7} a=353,b=0,c=76
∴ ϕ ( x ) = − 3 35 + 6 7 x 2 \therefore \phi(x)=- \frac{3}{35}+ \frac{6}{7}x^2 ϕ(x)=353+76x2


最佳逼近

勒让德多项式逼近

因为用 ϕ 0 , ϕ 1 , ϕ 2 ( 1 , x , x 2 ) \phi_0,\phi_1,\phi_2(1,x,x^2) ϕ0,ϕ1,ϕ2(1,x,x2) 计算量大,而且易出现病态方程(解不出)
所以需要一种法方程矩阵简单的基函数,所以用勒让德多项式
p 0 = 1 p 1 = x p 2 = 1 2 ( 3 x 2 − 1 ) p 3 = 1 2 ( 5 x 3 − 3 x ) p 4 = 1 8 ( 35 x 4 − 30 x 2 + 3 ) p n + 1 = 2 n + 1 n + 1 x p n − n n + 1 p n − 1 \begin{align*} p_0=&1\\ p_1=&x\\ p_2= &\frac{1}{2}(3x^2-1)\\ p_3=& \frac{1}{2}(5x^3-3x)\\ p_4=& \frac{1}{8}(35x^4-30x^2+3) \\ \\ p_{n+1} = & \frac{2n+1}{n+1}xp_n- \frac{n}{n+1}p_{n-1} \end{align*} p0=p1=p2=p3=p4=pn+1=1x21(3x21)21(5x33x)81(35x430x2+3)n+12n+1xpnn+1npn1
( p i , p j ) = { 0 , i ≠ j 2 / ( 2 j + 1 ) , i = j (p_i,p_j)= \begin{cases} 0&,i \ne j \\\\ 2/(2j+1)&,i=j \end{cases} (pi,pj)= 02/(2j+1),i=j,i=j
使得发方程矩阵为对角阵。
适用条件 [ − 1 , 1 ] {[-1,1]} [1,1]
对于 f ( x ) , x ∈ [ a , b ] {f(x),x\in[a,b]} f(x),x[a,b] 可以将
x = ( a + b ) 2 + ( b − a ) 2 t x= \frac{(a+b)}{2}+ \frac{(b-a)}{2}t x=2(a+b)+2(ba)t
t {t} t 替代,则 t ∈ [ − 1 , 1 ] {t\in[-1,1]} t[1,1]

[!example]-
f ( x ) = x 4 f(x)=x^4 f(x)=x4 [ − 1 , 1 ] {[-1,1]} [1,1] 上关于权函数 ρ ( x ) = 1 {\rho(x)=1} ρ(x)=1 的二次最佳平方逼近多项式。
解:使用勒让德多项式列出法方程组
[ 2 0 0 0 2 / 3 0 0 0 2 / 5 ] [ a b c ] = [ ( p 0 , f ) ( p 1 , f ) ( p 2 , f ) ] \begin{bmatrix} 2 & 0 & 0 \\ 0 & 2/3 & 0 \\ 0 & 0 & 2/5 \end{bmatrix}\begin{bmatrix} a\\b\\c \end{bmatrix}= \begin{bmatrix} (p_0,f)\\(p_1,f)\\(p_2,f) \end{bmatrix} 20002/30002/5 abc = (p0,f)(p1,f)(p2,f)
( p 0 , f ) = ∫ − 1 1 1 ⋅ x 4 d x = 2 5 ( p 1 , f ) = ∫ − 1 1 x ⋅ x 4 d x = 0 ( p 2 , f ) = ∫ − 1 1 1 2 ( 3 x 2 − 1 ) x 4 d x = 8 35 \begin{align*} (p_0,f)=&\int_{-1}^1 1 \cdot x^4 \mathrm dx= \frac{2}{5}\\ (p_1,f)=&\int_{-1}^1 x \cdot x^4 \mathrm dx=0 \\ (p_2,f)=&\int_{-1}^1 \frac{1}{2}(3x^2-1)x^4 \mathrm dx= \frac{8}{35} \end{align*} (p0,f)=(p1,f)=(p2,f)=111x4dx=5211xx4dx=01121(3x21)x4dx=358
[ 2 0 0 0 2 / 3 0 0 0 2 / 5 ] [ a b c ] = [ 2 / 5 0 8 / 35 ] \begin{bmatrix} 2 & 0 & 0 \\ 0 & 2/3 & 0 \\ 0 & 0 & 2/5 \end{bmatrix}\begin{bmatrix} a\\b\\c \end{bmatrix}= \begin{bmatrix} 2/5\\0\\8/35 \end{bmatrix} 20002/30002/5 abc = 2/508/35
解出
a = 1 5    ,    b = 0    ,    c = 4 7 a= \frac{1}{5} \,\,,\,\, b=0 \,\,,\,\, c= \frac{4}{7} a=51,b=0,c=74
逼近函数
S ( x ) = 1 5 + 2 7 ( 3 x 2 − 1 ) = − 3 35 + 6 7 x 2 S(x)= \frac{1}{5}+ \frac{2}{7}(3x^2-1)= - \frac{3}{35} + \frac{6}{7}x^2 S(x)=51+72(3x21)=353+76x2
与最佳平方逼近得到的结果是一样的。

切比雪夫多项式逼近

针对权函数为
1 1 − x 2 \frac{1}{ \sqrt{1-x^2}} 1x2 1
范围 x ∈ [ − 1 , 1 ] {x\in[-1,1]} x[1,1]
T n ( x ) = cos ⁡ ( n ⋅ arccos ⁡ ( x ) ) = 2 x T n − 1 ( x ) − T n − 2 ( x ) T_n(x)=\cos(n \cdot \arccos(x))=2xT_{n-1}(x)-T_{n-2}(x) Tn(x)=cos(narccos(x))=2xTn1(x)Tn2(x)
( T 0 , T 0 ) = π ( T 1 , T 1 ) = π 2 = ( T 2 , T 2 ) \begin{align*} (T_0,T_0)=&\pi\\ (T_1,T_1)=& \frac{\pi}{2}=(T_2,T_2)\\ \end{align*} (T0,T0)=(T1,T1)=π2π=(T2,T2)
T 0 = 1 T 1 = x T 2 = 2 x 2 − 1 T 3 = 4 x 3 − 3 x \begin{align*} T_0=&1\\ T_1=&x\\ T_2=&2x^2-1\\ T_3=&4x^3-3x \end{align*} T0=T1=T2=T3=1x2x214x33x
( T 0 , f ) = ∫ − 1 1 f ( x ) ⋅ 1 ⋅ 1 1 − x 2 d x ( T 1 , f ) = ∫ − 1 1 f ( x ) ⋅ x ⋅ 1 1 − x 2 d x ( T 2 , f ) = ∫ − 1 1 f ( x ) ⋅ ( 2 x 2 − 1 ) ⋅ 1 1 − x 2 d x \begin{align*} (T_0,f)=&\int_{-1}^1f(x) \cdot 1 \cdot \frac{1}{ \sqrt{1-x^2}} \mathrm dx\\ (T_1,f)=&\int_{-1}^1 f(x) \cdot x \cdot \frac{1}{ \sqrt{1-x^2}} \mathrm dx\\ (T_2,f)=&\int_{-1}^1 f(x) \cdot (2x^2-1) \cdot \frac{1}{ \sqrt{1-x^2}} \mathrm dx\\ \end{align*} (T0,f)=(T1,f)=(T2,f)=11f(x)11x2 1dx11f(x)x1x2 1dx11f(x)(2x21)1x2 1dx
P n ( x ) = T 0 ( T 0 , f ) ( T 0 , T 0 ) + T 1 ( f , T 1 ) ( T 1 , T 1 ) + ⋯ + T n ( f , T n ) ( T n , T n ) = ( T 0 , f ) π + ⋯ \begin{align*} P_n(x)=& T_0 \frac{(T_0,f)}{(T_0,T_0)}+T_1 \frac{(f,T_1)}{(T_1,T_1)}+ \cdots +T_n \frac{(f,T_n)}{(T_n,T_n)} \\ =& \frac{(T_0,f)}{\pi}+ \cdots \end{align*} Pn(x)==T0(T0,T0)(T0,f)+T1(T1,T1)(f,T1)++Tn(Tn,Tn)(f,Tn)π(T0,f)+

matlab画切比雪夫多项式的函数图像

xx = linspace(-1,1,100)
a = ones(size(xx));
T(1,:) = a
T(2,:) = xx
for i = 3:6
    T(i,:) = 2.*xx.*T(i-1,:)-T(i-2,:)
end
for i = 1:5
    plot(xx,T(i,:));
    hold on
end

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1367528.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

vue3 内置组件

文章目录 前言一、过渡效果相关的组件1、Transition2、TransitionGroup 二、状态缓存组件(KeepAlive)三、传送组件(Teleport )四、异步依赖处理组件(Suspense) 前言 在vue3中 其提供了5个内置组件 Transiti…

【HarmonyOS4.0】第二篇-鸿蒙开发介绍

一、鸿蒙开发介绍 1.1.为什么要学习鸿蒙? 2019年HarmonyOS正式面世,至今鸿蒙已成长了4年,截至2023年8月,鸿蒙生态设备数量超过7亿台,已有220万开发者投入到鸿蒙生态的开发。根据Counterpoint最新数据,202…

【数据库基础】Mysql与Redis的区别

看到一篇不错的关于“Mysql与Redis的区别”的文章,转过来记录下~ 文章目录 一、数据库类型二、运行机制三、什么是缓存数据库呢?四、优缺点比较五、区别总结六、数据可以全部直接用Redis储存吗?参考资料 一、数据库类型 Redis:NOS…

uni-app如何生成骨架屏

骨架屏是页面的一个空白版本,通常会在页面完全渲染之前,通过一些灰色的区块大致勾勒出轮廓,待数据加载完成后,再替换成真实的内容。 参考效果 骨架屏作用是缓解用户等待时的焦虑情绪,属于用户体验优化方案。 生成骨…

Vue、uniApp、微信小程序、Html5等实现数缓存

此文章带你实现前端缓存,利用时间戳封装一个类似于Redis可以添加过期时间的缓存工具 不仅可以实现对缓存数据设置过期时间,还可以自定义是否需要对缓存数据进行加密处理 工具介绍说明 对缓存数据进行非对称加密处理 对必要数据进行缓存,并…

docker/华为云cce 部署nacos 2.3.0 集群模式

镜像地址 https://hub.docker.com/r/nacos/nacos-server 版本 nacos/nacos-server:v2.3.0-slim 关键环境变量 使用mysql数据源 变量值备注MODEcluster启用集群模式MYSQL_SERVICE_DB_NAME数据库名MYSQL_SERVICE_USER数据库用户名MYSQL_SERVICE_PASSWORD数据库密码SPRING_D…

线扫相机品牌汇总(国外+国内)

线扫相机品牌汇总(国外+国内) 行者 ​ 热爱生活 22 人赞同了该文章 线扫相机也叫做线阵相机,和面阵相机一样,都是重要的工业相机。 线扫相机正如其名字那样,拍照时像扫描一样,相机和被拍照物体有相对匀速运动。 Perhaps the most common example of line scan imagin…

【代码随想录算法训练营-第七天】【哈希表】454,383,15,18

454. 四数相加 II 第一遍 思路 想不出来,除了暴力解法,完全想不出来其他解法,看答案思路了…学习了两个新的方法: getOrDefault:返回指定键对应的值,如果不存在,则返回默认值containsKey&…

java Servlet体育馆运营管理系统myeclipse开发mysql数据库网页mvc模式java编程计算机网页设计

一、源码特点 JSP 体育馆运营管理系统是一套完善的java web信息管理系统,对理解JSP java编程开发语言有帮助,系统采用serlvetdaobean,系统具有完整的源代码和数据库,系统主要采用 B/S模式开发。 java Servlet体育馆运营管理系…

Spring 动态数据源事务处理

在一般的 Spring 应用中,如果底层数据库访问采用的是 MyBatis,那么在大多数情况下,只使用一个单独的数据源,Spring 的事务管理在大多数情况下都是有效的。然而,在一些复杂的业务场景下,如需要在某一时刻访问不同的数据库,由于 Spring 对于事务管理实现的方式,可能不能达…

基于YOLOv8全系列【n/s/m/l/x】开发构建道路交通场景下CCTSDB2021交通标识检测识别系统

交通标志检测是交通标志识别系统中的一项重要任务。与其他国家的交通标志相比,中国的交通标志有其独特的特点。卷积神经网络(CNN)在计算机视觉任务中取得了突破性进展,在交通标志分类方面取得了巨大的成功。CCTSDB 数据集是由长沙…

SkyWalking介绍和Docker环境下部署

一、Skywalking概述 1、Skywalking介绍 Skywalking是分布式系统的应用程序性能监视工具,专为微服务,云原生架构和基于容器(Docker,K8S,Mesos)架构而设计,它是一款优秀的APM(Application Perfo…

CentOS 7 安装私有平台OpenNebula

目录 一、配置yum源 二、配置数据库MySQL 2.1 安装MySQL 2.2 修改MySQL密码 2.3 创建项目用户和库 三、安装配置前端包 四、设置oneadmin账号密码 五、验证安装 5.1 命令行验证安装 5.2 数据存放位置 5.3 端口介绍 5.4 命令介绍 六、访问 6.1 设置语言 6.2 创建主…

【Python学习】Python学习8-Number

目录 【Python学习】Python学习8-Number 前言在变量赋值时被创建Python支持四种不同的数据类型整型(Int)长整型(long integers)浮点型(loating point real values)复数(complex numbers) Python Number 类型转换Python math 模块、cmath 模块Python数学函数Python随…

每日一题——LeetCode1021删除最外层括号1047消除字符串相邻重复字符串

这两道题基本上来说是差不多的,一个匹配并删除字符串中的( ) 一个匹配并删除字符串中相邻重复的元素,其实都是用到栈这种数据结构,通过匹配不同的条件使用入栈出栈操作保存或删除目标元素来实现。 1021.删除最外层括号 var removeOuterParent…

零售EDI:Petco EDI对接指南

Petco 始于1965年,是一家美国宠物零售商,提供各种宠物产品和服务以及某些类型的活体小动物。起初Petco只是一家邮购兽医用品公司,后发展为一家成熟的宠物食品和供应链的公司。Petco与其供应商之间是如何传输业务数据的呢? 通过EDI…

Qt QLineEdit文本框控件

文章目录 1 属性和方法1.1 占位字符串1.2 对齐方式1.3 回显模式1.4 读写控制1.5 格式控制1.6 信号和槽 2 实例2. 布局2.2 代码实现 QLineEdit 是Qt 中的文本框,准确地说是单行文本框,通常用于接受用户的输入。 比如用户输入用户名、密码等,都…

Windows安装Docker运行中间件(详细)

1、Docker Docker是一个开源的应用容器引擎,让开发者可以打包他们的应用以及依赖包到一个可移植的镜像中,然后发布到任何流行的 Linux或Windows操作系统的机器上,也可以实现虚拟化。容器是完全使用沙箱机制,相互之间不会有任何接…

人类的失误、错误与机器的失误、错误

人类的失误和错误是指人类在认知、判断、决策和行动过程中出现的错误或差错。这些错误可能是由于认知偏差、信息不完全、判断错误、行为失控等原因造成的。人类的失误和错误是不可避免的,而且在很多领域都有广泛的存在,包括工作、学习、社交、交通等方面…

深入理解Java源码:提升技术功底,深度掌握技术框架,快速定位线上问题

为什么要看源码: 1、提升技术功底: 学习源码里的优秀设计思想,比如一些疑难问题的解决思路,还有一些优秀的设计模式,整体提升自己的技术功底 2、深度掌握技术框架: 源码看多了,对于一个新技术…